Programme d’études | English | ||
Analyse des données statistiques | |||
Unité d’enseignement du programme de Bachelier en sciences de l'ingénieur, orientation ingénieur civil à la Faculté Polytechnique |
Code | Type | Responsable | Coordonnées du service | Enseignant(s) |
---|---|---|---|---|
UI-B3-IRCIVI-311-M | UE Obligatoire | SIEBERT Xavier | F151 - Mathématique et Recherche opérationnelle |
|
Langue d’enseignement | Langue d’évaluation | HT(*) | HTPE(*) | HTPS(*) | HR(*) | HD(*) | Crédits | Pondération | Période d’enseignement |
---|---|---|---|---|---|---|---|---|---|
| Français | 30 | 6 | 0 | 0 | 0 | 3.00 | 3.00 |
Code(s) d’AA | Activité(s) d’apprentissage (AA) | HT(*) | HTPE(*) | HTPS(*) | HR(*) | HD(*) | Période d’enseignement | Pondération |
---|---|---|---|---|---|---|---|---|
I-MARO-014 | Analyse des données statistiques | 30 | 6 | 0 | 0 | 0 | Q1 | 100.00% |
Unité d'enseignement | ||
---|---|---|
UI-B1-IRCIVI-003-M Mathématique pour l'ingénieur 1 | ||
UI-B2-IRCIVI-003-M Probabilité et Statistiques |
Objectifs par rapport aux acquis d'apprentissage du programme
Acquis d'apprentissage UE
- comprendre et expliquer la théorie, les modèles et les techniques utilisées
- identifier le(s) modèle(s) convenant pour un jeu de données
- analyser des jeux de données à l'aide d'un logiciel
- interpréter les résultats fournis par le logiciel, en montrant une compréhension de la théorie
Contenu de l'UE
- techniques descriptives comme l'analyse en composantes principales et l'analyse factorielle discriminante
- modèles classiques d'analyse des données statistiques (analyse de la variance, régression linéaire)
- data mining (méthodes de classification, supervisée et non-supervisée)
Compétences préalables
- probabilités et statistiques - algèbre
Commentaire sur les évaluations Q1 de l'UE
Sans objet
Commentaire sur les évaluations Q2 de l'UE
Sans objet
Commentaire sur les évaluations Q3 de l'UE
Sans objet
Commentaire sur les évaluations rattr. Q1 de l'UE
Sans objet
Types d'activités
AA | Types d'activités |
---|---|
I-MARO-014 |
|
Mode d'enseignement
AA | Mode d'enseignement |
---|---|
I-MARO-014 |
|
Supports principaux
AA | |
---|---|
I-MARO-014 |
Supports principaux non reproductibles
AA | Supports principaux non reproductibles |
---|---|
I-MARO-014 | - syllabus de théorie et d'exercices pratiques - diapositives |
Supports complémentaires
AA | |
---|---|
I-MARO-014 |
Supports complémentaires non reproductibles
AA | Support complémentaires non reproductibles |
---|---|
I-MARO-014 | syllabus de théorie et exercices pratiques |
Autres références conseillées
AA | Autres références conseillées |
---|---|
I-MARO-014 | R.O.Duda, P.E.Hart, D.G.Stork. "Pattern Classification". John Wiley and Sons, 2000. I. H. Witten, E. Frank. Data Mining : "Practical Machine Learning Tools and Techniques with Java Implementations". Morgan Kaufmann, 2010 J-M. Azaïs, J-M. Bardet, "Le Modèle Linéaire par l'exemple : Régression, Analyse de la Variance et Plans d'Expériences. Illustrations numériques avec les logiciels R, SAS et Splus", Dunot, 2006 R.E.Walpole, R.H.Myers, S.L.Myers, K.Ye, "Probability and Statistics for Engineers and Scientists", Prentice Hall, 2012 |
Reports des notes d'AA d'une année à l'autre
AA | Reports des notes d'AA d'une année à l'autre |
---|---|
I-MARO-014 | Autorisé |